智能体上下文选择-记忆工具知识

选择上下文是智能体架构中的核心机制，旨在根据任务动态筛选最有价值的信息进入上下文窗口，提升推理质量与效率。实现从状态、记忆、工具、知识等提取关键上下文，有效控制大语言模型的“注意力焦点”。

1 上下文选择能力拆解

📊 状态选择：选择哪些字段参与LLM调用；记忆选择：在长期存储中检索最相关事实；工具选择：用向量检索缩小可用工具集合；知识选择：RAG层面选择最有价值的文档碎片。这些选择技术既能最大化输出质量，又避免token浪费。

1️⃣ 状态选择
原理：智能体内部维护的状态即“草稿本”，记录中间步骤与历史轨迹。根据任务需求有选择性拉取其中的部分信息。

技术手段：节点内部实现状态选择机制，支持多步骤工作流中的上下文定向传递。

2️⃣ 记忆选择
原理：从长时记忆中仅选取与当前任务强相关的信息，避免检索噪声。

技术手段：命名空间记忆检索将不同类型记忆隔离存储，按需检索。结合任务语义动态控制检索范围。

3️⃣ 工具选择
原理：在拥有大量工具的智能体中，盲目加载会浪费token或误调用。

技术手段：为工具集合构建向量索引，基于任务上下文语义检索最相关的工具。

4️⃣ 知识选择
原理：采用标准RAG架构，将外部知识库作为智能体的延伸记忆。

技术手段：文档拆分与向量化，构建高效检索器，实现多轮对话中的上下文感知知识选择。

2 状态选择的具体实现

状态选择在LangGraph中是通过state中选择上下文实现。

在下游节点的 LLM 调用里使用，让我们可以控制传递给LLM的上下文。

作为运行时状态的一部分，可以在每步决定要暴露哪些状态字段，从而精细控制向LLM调用暴露的上下文。

class State(TypedDict):topic: strjoke: str
def generate_joke(state: State) -> dict[str, str]:#生成关于topic的初始笑话.msg = llm.invoke(f"Write a short joke about {state['topic']}")return {"joke": msg.content}
def improve_joke(state: State) -> dict[str, str]:# 从state选择笑话给到LLMmsg = llm.invoke(f"Make this joke funnier by adding wordplay: {state['joke']}")return {"improved_joke": msg.content}    

📊 State包含 topic 和 joke 两个字段。函数 generate_joke 从 state['topic'] 读取主题，请求LLM生成笑话，并把结果写回新的状态键 joke。返回值会与工作流的全局 State 合并，形成数据流。improve_joke 展示了如何从 state 读取已生成的内容（joke）再传回 LLM 进行二次加工。

3 记忆选择的具体实现

记忆选择可用于：

• 元例（episodic）：为 LLM 提供 few‑shot 示例；
• 过程性（procedural）：保存指令或规则以指导行为；
• 语义（semantic）：保存长期事实供后续检索。

一个挑战是如何确保选中真正相关的记忆。例如 ChatGPT 曾错误地检索用户位置并注入生成的图片，引发“上下文不属于用户”的不适。常用做法是用 embeddings 向量或知识图索引记忆以提高匹配度。

记忆选择在LangGraph中是通过store实现记忆。以键值对形式存储数据（key + value）；使用 .put() 存入，用 .get() 读取。

from langgraph.store.memory import InMemoryStore
# 初始化内存存储
store = InMemoryStore()
# 定义命名空间，用于组织记忆
namespace = ("rlm", "joke_generator")
# 将生成的笑话存入内存
store.put(namespace,                             # 命名空间（用于分类管理）"last_joke",                           # 记忆的键（key），类似于变量名{"joke": joke_generator_state["joke"]} # 存储的值（value）
)
# 从内存中读取之前存储的笑话
retrieved_joke = store.get(namespace, "last_joke").value

📊 在 LangGraph 中选择记忆，InMemoryStore 提供键值存储，支持嵌套命名空间。put 写入记忆；get 检索。通过命名空间将不同任务的记忆隔离。value 字段取出真正的数据项。

def generate_joke(state: State, store: BaseStore):# 从memory选择之前的记忆的笑话prior_joke = store.get(namespace, "last_joke")if prior_joke:prior_joke_text = prior_joke.value["joke"]#生成新的笑话prompt = (f"写一个关于{state['topic']}的笑话, "f"但是要和之前写的不同 {prior_joke_text}")msg = llm.invoke(prompt)# 保存新的笑话store.put(namespace, "last_joke", {"joke": msg.content})return {"joke": msg.content}

📊 此函数每次生成新的笑话前，都会从内存读取上一个笑话。提示词中显式要求避免与上一个笑话重复，新生成的笑话会重新写回内存。先从 memory_store 读取同一主题的上一条笑话，将旧笑话注入 prompt，引导 LLM 生成不同内容。将新笑话写回memory_store，保持最新上下文。

4 工具选择的具体实现

智能体会使用工具，但若提供过多工具会导致上下文负载过高，因为工具描述可能相似，模型难以正确选择。解决方案是对工具描述应用 RAG（检索增强生成）以按语义相似度提取最相关工具。

在LangGraph中，让LLM+RAG智能体自动选择并调用Python math库函数。

1. 工具注册：收集math库函数 → 转换为工具 → 分配唯一ID → 注册成tool_registry。

2. 向量索引：提取每个工具的描述 → 生成嵌入向量 → 写入内存向量数据库store。

3. 智能体创建：使用LLM和注册工具 → 构建支持向量检索的RAG Agent。

4. 智能调用：接收自然语言指令； * 通过描述向量检索匹配工具（RAG）； * 调用最佳工具返回结果。

核心机制：

• 向量检索：用工具的“描述”生成向量，实现自然语言到工具的语义匹配。

• 自动调用：选到工具后，LLM代理负责实际参数处理和调用，无需手写映射逻辑。

# 将math库中的所有函数注册为“工具”
all_tools = []
for function_name in dir(math):function = getattr(math, function_name)# math模块的函数多为仅支持位置参数，需特殊转换if tool := convert_positional_only_function_to_tool(function):all_tools.append(tool)
# 为每个工具生成唯一ID并注册
tool_registry = {str(uuid.uuid4()): toolfor tool in all_tools
}
# 创建向量索引：用于描述文本的检索
embeddings = init_embeddings()
store = InMemoryStore(index={"embed": embeddings,   # 嵌入模型"dims": 1536,          # 向量维度"fields": ["description"],  # 用工具描述生成向量}
)
# 把工具的描述文本写入向量索引
for tool_id, tool in tool_registry.items():store.put(("tools",), tool_id,{ "description": f"{tool.name}: {tool.description}",  # 工具名+说明作为检索字段},)

📊 基于RAG的多工具智能体：动态选择与自动调用math函数。核心代码示范把 Python 内置 math 库的所有函数注册为工具，并用 RAG 选择最合适的。收集到的工具将用于后续向量索引。为每个工具生成描述文本后写入向量索引。

5 知识选择的具体实现

在实践中，RAG 往往成为上下文工程（context engineering）的核心挑战。

在 LangGraph 中实现 Agentic RAG 的典型流程：

加载并拆分文档 → 2. 向量索引 + 检索器 → 3. 封装成 Tool →4. 编写系统提示 → 5. 构建节点（LLM 调用 / 工具执行）。

通过这种方式，LLM 能够在对话中按需检索，从而给出更精准、可溯源的答案。

docs_list = [item for sublist in docs for item in sublist]text_splitter = RecursiveCharacterTextSplitter.from_tiktoken_encoder(chunk_size=2000, chunk_overlap=50
)
doc_splits = text_splitter.split_documents(docs_list)vectorstore = InMemoryVectorStore.from_documents(documents=doc_splits, embedding=embeddings
)
retriever = vectorstore.as_retriever()
retriever_tool = create_retriever_tool(retriever,"retrieve_blog_posts","查询和返回信息",
)
tools = [retriever_tool]
tools_by_name = {tool.name: tool for tool in tools}
llm_with_tools = llm.bind_tools(tools)

📊 获取要供 RAG 系统检索的文档。docs_list：把“列表里的列表”拍平成单层列表，方便后续处理。递归式字符分割器确保分块符合 token 限制。将已拆分的文档索引到向量存储，以便后续语义检索。创建一个检索工具让代理能够通过它检索博客内容。llm.bind_tools(tools)` 使得 LLM 拥有调用这些工具的能力

llm_with_tools = llm.bind_tools(tools)

📊 获取要供 RAG 系统检索的文档。`docs_list`：把“列表里的列表”拍平成单层列表，方便后续处理。递归式字符分割器确保分块符合 token 限制。将已拆分的文档索引到向量存储，以便后续语义检索。创建一个检索工具让代理能够通过它检索博客内容。llm.bind_tools(tools)` 使得 LLM 拥有调用这些工具的能力